基于可迁移代理模型与多目标优化的高效LDMOS设计

Efficient LDMOS Design via Transferable Surrogate Models and Multi-Objective Optimization

Hongyu Tang · Chenggang Xu · Xiaoyun Huang · Yuxuan Zhu 等6人 · IEEE Electron Device Letters · 2025年9月

优化横向双扩散金属氧化物半导体（LDMOS）性能需要在硅极限约束下平衡击穿电压（BV）和比导通电阻（ $\text {R}_{\text {on},\text {sp}}$ ）。传统的基于技术计算机辅助设计（TCAD）的器件设计在处理大参数空间时耗时且效率低下。本文提出了一种机器学习（ML）辅助框架，该框架将初始和微调后的深度神经网络（DNN）替代模型与多目标粒子群优化（MOPSO）相结合。微调后的DNN仅使用小数据集就能适应非重叠的扩展设计空间，同时在MOPSO过程中选择性地应用这两个替代模型...

解读: 从阳光电源的业务视角来看，这项基于机器学习的LDMOS优化技术具有重要的战略价值。LDMOS（横向双扩散金属氧化物半导体）器件是光伏逆变器和储能变流器中功率转换电路的核心元件，其击穿电压与导通电阻的平衡直接影响系统的效率、可靠性和成本。 该技术的核心创新在于利用深度神经网络替代传统TCAD仿真，将...